#---const-------------------------------
evalq({
n_n <- 15 L
min_d <- 0.1
n_c <- 3 L
metr <- "euclidean"#"euclidean"(the default) "cosine""manhattan"
lr <- 0.75
scale <- "none"# "none"# "scale" or TRUE ,
# "maxabs" Center each column to mean 0, then divide each element by the maximum
# absolute value over the entire matrix.
# "range"
init <- "spectral"# "spectral"# "normlaplacian". # "random".
# "lvrandom". # "laplacian". # "pca". # "spca".
}, env)
先生がいないと次元が下がるのは私だけでしょうか？ ウヲト」（umap）の話です。
先生がいないと次元が下がるのは私だけでしょうか？ ウヲト」（umap）の話です。
はい、私だけが「umap」パッケージを使用しています。
ええ、私だけが "umap "パッケージを使用しています。
それじゃ意味がない。ターゲットとなる空間にマッチするように次元を減らすことが、変換の目的である。また、tSNEのように学習だけでなく、新しいデータ(valid/test)を扱う機能を持つパッケージはこの2つだけです。
変換後、dbscanでクラスター化する。得られたクラスターは、導入する変数の追加予測因子となる。多少の誤差が生じる場合があります。
グッドラック
はい、「umap」パッケージのみ使用しています。
メソッド自体の名称は？とにかく何なんだ？ pythonで見てみたい。
アメーバや細胞の生命体のようなものが写っている。
ちなみに、マジシャンは同じような変身を見せた。ドットが楕円に伸びたり縮んだりしていた、そんな記憶があります。
メソッド自体の名称は何ですか？そもそも何なんだ？ Pythonで言えば
写真で見るアメーバと細胞の一生Pythonでは、umapパッケージが同じ名前を持っています。
Pythonでは、同名のumapパッケージ。
ありがとう、見てみるよ
次元を減らしてターゲットに合った空間にする、それが変換の目的です。
さて、どうやるのか、このターゲットマッチはどこから持ってくるのか、どういうことなのか。
また、tSNEのように訓練だけでなく、新しいデータ（valid/test）を処理することができる唯一のパッケージです。
そうなんです、だから選んだんです。
dbscanによる変換クラスタリング後。導入する変数に追加する予測因子として、クラスターを取得。ここでは、バリエーションが考えられます。
前ページでdbscanについて 書きました。）
しかし、これも面倒です。第一に、クラスタがすべて同じように遊び回る必要があること、第二に、新しいデータを認識するのが遅すぎることです。
私はどこかで読んだ - パッケージが計画されているかどうか、またはp-スタジオのトリックが表示されるはず - クラスターは、マウスで直接、手動で選択可能になることを、それについて聞いていないのですか？
ありがとうございます、見てみます。
私はそれを使っているというか、Rのラッパーを使っているだけです。
では、どうやっているかというと、このターゲットマッチをどこから得て、どういう意味なのか。
そうなんです、だからこのパッケージを選んだんです。
前のページでdbscanについて 書きましたね ))
でも、これも面倒なんですよ。第一に、クラスタが全部同じだと、弄らないといけないし、第二に、新しいデータを認識するのが遅すぎるんです。
私はどこかで読んだ - またはパッケージが行うことを計画されているか、p-スタジオのチップに表示されていた - クラスタは、マウスで直接手動で選択可能になることを、それについて聞いていないのですか？
順番に
定数を設定するのです。
教師を使って教えるには、数式にターゲットとなるyを追加し、モデルを返す必要があることを指定するだけです（ret_model = TRUE）。
このモデルがあれば、残りのtrain/test/test1の原点データ群のサブセットも3次元に変換することができます。以下はそのコード です。
#---train-------------------------------- evalq({ set.seed(1337) umap_transform(X = X1$train$x, model = origin.sumap, n_threads = 4 L, verbose = TRUE) -> train.sumap }, env) #---test-------------------------------- evalq({ set.seed(1337) umap_transform(X = X1$test$x, model = origin.sumap, n_threads = 4 L, verbose = TRUE) -> test.sumap }, env) #---test1------------------------------- evalq({ set.seed(1337) umap_transform(X = X1$test1$x, model = origin.sumap, n_threads = 4 L, verbose = TRUE) -> test1.sumap }, env)x/yを代入すると、2つのグループに分かれた3次元データが得られます。未完成の記事から引用しています。どこかに写真があるのですが、今は見つかりません。必要なら、明日にでも探してみるよ。でも、自分のものは自分で手に入れられると思います。
グッドラック
発見